URLB (教師なし強化学習ベンチマークの正式名) は、教師なし強化学習データセットです。 URLB は、報酬のない事前トレーニング フェーズと、外部報酬のある下流タスク適応フェーズの 2 つのフェーズで構成されます。 DeepMind Control Suite に基づいたこのデータセットは、評価用に 3 つのドメインからの 12 の連続した制御タスクを提供します。